RobustNet: 인스턴스 선택적 화이트닝을 통한 도시 장면 분할에서의 영역 일반화 개선

깊은 신경망의 일반화 능력을 미지의 도메인에 대해 향상시키는 것은 자율 주행과 같은 실제 세계에서 안전이 중요한 응용 분야에서 매우 중요합니다. 이 문제를 해결하기 위해 본 논문에서는 새로운 인스턴스 선택적 화이트닝 손실을 제안하여 미지의 도메인에서 세그멘테이션 네트워크의鲁棒性을 개선합니다(robustness).우리 접근 방식은 특성 표현의 고차 통계량(예: 특성 공분산)에 인코딩된 도메인 특유의 스타일과 도메인 불변의 내용을 분리하고, 도메인 시프트를 일으키는 스타일 정보만 선택적으로 제거합니다. 그림 1에 나타난 것처럼, 우리의 방법은 (a) 저조도, (b) 비오는 날씨, 그리고 (c) 미지의 구조물에 대해 합리적인 예측을 제공합니다. 이러한 유형의 이미지는 훈련 데이터셋에는 포함되어 있지 않으며, 베이스라인 모델은 성능이 크게 떨어지는 반면 우리 모델은 그렇지 않습니다.간단하면서도 효과적인 우리 접근 방식은 추가적인 계산 비용 없이 다양한 백본 네트워크의鲁棒性을 개선합니다(robustness). 우리는 도시 장면 세그멘테이션에서 광범위한 실험을 수행하여 기존 연구보다 우수함을 입증하였습니다. 우리의 코드는 https://github.com/shachoi/RobustNet 에서 확인할 수 있습니다.注：在韩文中，“鲁棒性”通常翻译为“강건성”或“로버스트성”。根据上下文，这里选择使用“로버스트성”。修正后的翻译：깊은 신경망의 일반화 능력을 미지의 도메인에 대해 향상시키는 것은 자율 주행과 같은 실제 세계에서 안전이 중요한 응용 분야에서 매우 중요합니다. 이 문제를 해결하기 위해 본 논문에서는 새로운 인스턴스 선택적 화이트닝 손실을 제안하여 미지의 도메인에서 세그멘테이션 네트워크의 로버스트성을 개선합니다.우리 접근 방식은 특성 표현의 고차 통계량(예: 특성 공분산)에 인코딩된 도메인 특유의 스타일과 도메인 불변의 내용을 분리하고, 도메인 시프트를 일으키는 스타일 정보만 선택적으로 제거합니다. 그림 1에 나타난 것처럼, 우리의 방법은 (a) 저조도, (b) 비오는 날씨, 그리고 (c) 미지의 구조물에 대해 합리적인 예측을 제공합니다. 이러한 유형의 이미지는 훈련 데이터셋에는 포함되어 있지 않으며, 베이스라인 모델은 성능이 크게 떨어지는 반면 우리 모델은 그렇지 않습니다.간단하면서도 효과적인 우리 접근 방식은 추가적인 계산 비용 없이 다양한 백본 네트워크의 로버스트성을 개선합니다. 우리는 도시 장면 세그멘테이션에서 광범위한 실험을 수행하여 기존 연구보다 우수함을 입증하였습니다. 우리의 코드는 https://github.com/shachoi/RobustNet 에서 확인할 수 있습니다.